本研究分析了人工智能在软件测试中的应用现状，发现尽管AI在软件开发中逐渐普及，但在软件测试领域的进展仍然有限，实际应用与预期存在明显差距，相关实证研究也较少，揭示了行业中的潜在问题。

本研究提出了一种空间解耦框架，旨在简化低秩优化中的正交不变约束问题。该框架通过将有界秩与约束分解为独立空间，使得在光滑流形上实现Riemannian算法更加容易，实验证明其在实际应用中的优越性。

本文介绍了视觉推理的前馈式和生成模型概念，并提出了一个实证研究计划，揭示灵长类动物视觉的混合算法。

本文介绍了ElitePLM对预训练语言模型进行大规模实证研究，设计了四个评估维度来衡量PLMs的能力。实验结果显示PLMs在不同测试中表现出色，微调对数据敏感，具有可转移性。该论文可指导未来工作选择和设计特定任务的PLMs。

该研究提出了一种基于不确定性感知的交通预测框架，能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。80%以上的交通数据可以被删除，剩余20%的样本对于训练模型具有相同的预测能力，证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

该文介绍了针对强化学习中的离线策略评估（OPE）的实验基准和实证研究，提供了一个完整的基准套件以研究不同属性对方法性能的相互作用，并将结果总结为实践指南。

通过实证研究，设计和实现了可配置的文本简化流水线，揭示了自动文本简化的优势和处理文化和常识知识的挑战。这是对荷兰语文本简化的第一步，为未来的研究和实践提供了启示。

本文强调将文档分类基准测试更贴近实际应用的需求，包括数据性质和分类任务。实证研究表明当前基准测试已不再相关，需要更新以评估完整文档。呼吁采用更成熟的评估方法，提出具体建议的希望之声作为结束。